Deteksi serangan pada protokol MQTT IOT menggunakan random forest

INDONESIA:

Bruteforce merupakan salah satu metode dari teknik hacking yang melancarkan serangan dengan cara guessing username dan password pada sistem yang menjadi target penyerangan. Serangan bruteforce pada protokol MQTT merupakan serangan yang sering terjadi pada IoT, sehingga perlu adanya deteksi serangan pada protokol MQTT untuk mengetahui traffic normal dan traffic bruteforce. Random Forest dipilih karena metode tersebut dapat melakukan klasifikasi data secara banyak dalam waktu yang relatif singkat dan hasil dari Random Forest dapat meningkatkan akurasi dan dapat mencegah overfitting pada proses klasifikasi data. Penelitian ini menggunakan dua jenis data yaitu: data primer yang diambil dari lab hacking environment dan data sekunder yang diambil dari dataset IEEE Data Port MQTT-IOT-IDS2020, proses uji coba menggunakan 7 parameter penelitian yaitu totlen bwd pkts, bwd pkt len max, bwd pkt len mean, bwd seg size avg, subflow bwd byts, init bwd win byts, label. Pada data primer didapatkan nilai dari hasil pengukuran yaitu akurasi 99,55%, presisi 100%, recall 99,54% dan f-measure 99,77% durasi yang dibutuhkan untuk mendapatkan hasil tersebut dengan baris data sebanyak 1796 baris yaitu selama 0 detik. Sedangkan untuk data sekunder peneliti mendapatkan akurasi sebesar 99.77%, presisi sebesar 100%, recall sebesar 99.43%, f-measure sebesar 98.71% durasi yang dibutuhkan untuk mendapatkan hasil tersebut dengan baris data sebanyak 85002 baris yaitu selama 62 detik.

ENGLISH:

Bruteforce is a hacking technique in which the target system's username and password are guessed before the attack is launched. Because a bruteforce attack on the MQTT protocol is a common IoT attack, it is necessary to identify both normal and bruteforce traffic by detecting attacks on the MQTT protocol. The results of Random Forest can improve accuracy and prevent overfitting in the data classification process, so it was chosen because it can classify a lot of data in a short amount of time. There are two types of data used in this study: The trial process makes use of 7 research parameters, which are total bwd pkts, bwd pkt len max, bwd pkt len mean, bwd seg size avg, subflow bwd byts, init bwd win byts, label. Secondary data from the IEEE Data Port MQTT-IOT-IDS2020 dataset. The values derived from the measurement results for the primary data are 99,55% accuracy, 100% precision, 99,54% recall, and 99,77% f-measure. Concerning the secondary data, the researcher was able to obtain an f-measure of 98,71%, an accuracy of 99,77%, a precision of 100%, a recall of 99,43%, and the duration necessary to obtain these results with 85002 data lines, which was 62 seconds.

ARAB:

هي طريقة لتقنية القرصنة التي تشن هجومًا عن طريق تخمين اسم المستخدم وكلمة المرور على النظام المستهدف للهجوم. هجوم Bruteforce على بروتوكول MQTT هو هجوم يحدث غالبًا على إنترنت الأشياء ، لذلك من الضروري اكتشاف الهجمات على بروتوكول MQTT لاكتشاف حركة المرور العادية وحركة المرور القاسية. تم اختيار Random Forest لأن هذه الطريقة يمكن أن تصنف الكثير من البيانات في وقت قصير نسبيًا ويمكن أن تحسن النتائج من Random Forest الدقة ويمكن أن تمنع التلاعب الزائد في عملية تصنيف البيانات. تستخدم هذه الدراسة نوعين من البيانات ، وهما: البيانات الأولية المأخوذة من معمل بيئة القرصنة والبيانات الثانوية المأخوذة من مجموعة بيانات IEEE Data Port MQTT-IOT-IDS2020 ، وتستخدم العملية التجريبية 7 معلمات بحثية وهي totlen bwd pkts و bwd pkt len max، bwd pkt len mean، bwd seg size avg، subflow bwd byts، init bwd win byts، label. في البيانات الأولية ، القيم التي تم الحصول عليها من نتائج القياس هي دقة 99.55٪ ، دقة 100٪ ، استرجاع 99.54٪ و 99.77٪ قياس f. أما بالنسبة للبيانات الثانوية ، فقد حصل الباحث على دقة 99.77٪ ، دقة 100٪ ، استدعاء 99.43٪ ، مقياس f 98.71٪ ، المدة المطلوبة للحصول على هذه النتائج بـ 85002 خط بيانات ، أي 62. ثواني